AI-ingenjör

Om Workato Workato levererar företagsinfrastruktur för den agentiska eran, omdefinierar iPaaS och hjälper företag att förena data, applikationer, processer och AI i en enda, styrd plattform. Som ledare inom Enterprise MCP och betrodd av 50 % av Fortune 500, ansluter Workatos molnbaserade arkitektur varje applikation, datakälla och process för att möjliggöra realtidsorkestrering i stor skala. Med säkerhet i företagsklass och kontinuerlig innovation i centrum, tillhandahåller Workato den betrodda grunden för organisationer att automatisera med självförtroende och operationalisera AI i hela verksamheten. Varför gå med oss? I slutändan tror Workato på att främja en flexibel, tillitsorienterad kultur som ger alla möjlighet att ta fullt ägarskap över sina roller. Vi drivs av innovation och söker lagspelare som vill vara med och bygga vårt företag aktivt. Men vi tror också på att balansera produktivitet med egenvård. Det är därför vi erbjuder alla våra anställda en levande och dynamisk arbetsmiljö tillsammans med en mängd förmåner som de kan njuta av både inom och utanför sitt arbetsliv. Ansvarsområden Som AI-ingenjör i vårt team för Enterprise Retrieval kommer du att hjälpa till att bygga det hämtningslager som driver företagets AI-agenter på Workato. Ditt arbete kommer att göra det möjligt för en agent att svara på "vad är status för Acme-förnyelsen?" genom att sammanfoga en Salesforce-möjlighet, en samtals sammanfattning, den senaste Zendesk-biljetten, en Jira-blockerare och ett SharePoint-kontrakt — allt i ett rankat, behörighetsmedvetet svar. Detta är den typ av problem där klassisk informationshämtning, tät vektorhämtning, kunskapsgrafer och LLM-driven resonemang kolliderar. Du kommer att arbeta med heterogent innehåll (dokument, biljetter, uppgifter, CRM-poster, samtalsloggar, chatttrådar), heterogena behörigheter (varje källa har sin egen ACL-modell) och mycket verkliga färskhetsbegränsningar (gårdagens svar är ofta fel). Det är en praktisk Senior IC-roll för någon som vill fördjupa sig i hämtningskvalitet och se sitt arbete direkt forma hur tusentals företag sätter AI-agenter i arbete. I denna roll kommer du också att vara ansvarig för att: - Bygga ett enhetligt hämtningslager över företagssystem — Google Drive, SharePoint, Confluence, Jira, Asana, Zendesk, Freshdesk, Salesforce, Notion och fler — och exponera ett rent, agentvänligt gränssnitt. - Designa hybrida hämtningspipeliner som kombinerar lexikal (BM25), tät vektor- och strukturerad (SQL/graf) hämtning, med smart omrankning anpassad för resultat från flera källor. - Utveckla ingångs- och färskhetspipeliner som inkrementellt synkroniserar miljontals dokument, biljetter, uppgifter och CRM-poster med låg end-to-end-latens och förutsägbara kostnader. - Äga behörighetsmedveten hämtning (ACL-bevarande) — se till att motorn aldrig returnerar ett dokument som en användare (eller deras agent) inte har rätt att se, genom att spegla källsystemets behörigheter exakt. - Bygga frågeförståelse för agenter — avsiktsanalys, entitetslänkning mellan system (en "kund" i Salesforce är densamma som i Zendesk), samt LLM-assisterad frågeomskrivning och uppdelning. - Designa strategier för chunking och inbäddning anpassade för varje innehållstyp — långa dokument, korta biljetter, trådade konversationer, strukturerade poster, samtalsloggar. - Bygga utvärderings- och experimentramverk (NDCG, MRR, recall@k, trohet, citatnoggrannhet) för både hämtning och slutgiltiga agentsvar. - Leverera produktionsklara, observerbara system med starka SLO:er för latens, färskhet, recall och kostnad — samt instrumentpaneler/spårning för att bevisa det. - Mentora teamkamrater och höja ribban för hämtningsarkitektur, utvärderingsstriktness och ingenjörskonst. Krav Kvalifikationer / Erfarenhet / Tekniska färdigheter - 3-5 års erfarenhet av att bygga produktionssökning, hämtning, kunskapsbaser eller rekommendationssystem. - Stark behärskning av minst ett modernt backendspråk — Python, Go, Java eller liknande. - Praktisk erfarenhet av sökmotorer som OpenSearch, Elasticsearch, Solr eller Vespa, inklusive indexdesign och analysatorer. - Solid grund i IR-fundament: TF-IDF, BM25, learning-to-rank, fråsanalys och relevansutvärdering. - Arbetserfarenhet med vektorsökning och inbäddningar — FAISS, pgvector, Pinecone, Weaviate, Qdrant, Milvus eller nativ Elasticsearch/OpenSearch kNN. - Erfarenhet av att designa eller bidra till RAG-pipeliner och semantiska söksystem i produktion. - Bekantskap med moderna NLP/LLM-verktyg: transformer-inbäddningar, cross-encoder omrankare, prompt engineering och ramverk som LangChain, LlamaIndex eller Haystack. - Bekväm med att bygga integrationer mot SaaS-API:er (REST/GraphQL/webhooks), hantera OAuth, hastighetsbegränsningar, paginering och inkrementell synkronisering. - Solid intuition för ACL/behörighetsmodeller i företagssystem (Drive-delning, SharePoint-grupper, Jira-projektroller, Salesforce-delningsregler etc.) och hur dessa bevaras i ett hämtningslager. - Starka SQL-kunskaper, bekvämlighet med NoSQL/dokumentdatabaser och erfarenhet av storskaliga distribuerade system. - Bekantskap med molnplattformar (AWS, GCP eller Azure), containerisering och CI/CD. Mjuka färdigheter / Personliga egenskaper - Tydlig kommunikatör som kan förklara tekniska avvägningar för ingenjörer, produktägare och chefer. - Samarbetsvillig — du samarbetar naturligt med ML-, produkt-, säkerhets- och plattformsteam. - Kvalitetsmedveten och detaljorienterad, med en instinkt för mätbara resultat framför "vibbar". - Självgående; bekväm med att ta ett tvetydigt problem från noll till leverans. - Genuint nyfiken på de svåra, intressanta problemen inom företagsnära hämtning — heterogenitet, behörigheter, färskhet och tillit. Bra att ha - Erfarenhet av kunskapsgrafer, entitetsupplösning eller identitetslänkning mellan källor. - Erfarenhet av att stämma av eller finjustera inbäddningsmodeller (sentence-transformers, BGE, E5 etc.) för domänspecifik hämtning. - Exponering för agentiska AI-mönster — verktygsanvändning, funktionsanrop, MCP eller flerstegs hämtningsplanering. - Erfarenhet av streaming/realtidsingestering (Kafka, Flink, Spark) och kostnadsoptimering i stor skala. - Bakgrund inom företagssökning, e-discovery, observerbarhet eller DLP — var som helst där du hanterat rörigt innehåll från flera källor med strikta åtkomstkontroller. - Open-source-bidrag, publicerad forskning eller texter om hämtning, IR eller tillämpad ML.